1.一种用于城市即时配送的无人机配送网络优化的求解算法，其特征在于包括以下过程：步骤一、混合整数规划模型的建立

1)基于无人机配送网络中，对无人机配送中的状态参数以及变量进行定义，参数符号定义如下：K＝{1,2,3,…,k}:无人机编号集合；

P＝{k+1,k+2,…,k+n}:无人机取货节点集合；

D＝{k+n+1,k+n+2,…,k+2n}:无人机送货节点集合；

K'＝{1,2,3,…,k}:无人机初始位置节点集合；

S＝{k+2n+1}:无人机最终汇总节点集合；

N＝{K',P,D,S}:所有节点集合；

A＝{(i,j)|i∈N\{k+2n+1},j∈N\K',i≠j}:节点连接弧；

G＝(N,A):节点图；

qi:无人机网络节点i的载重需求；

di:无人机网络节点i的服务时间；

[ai,bi]:无人机网络节点i的服务时间窗；

Q:无人机的最大载重，kg；

W:无人机空载起飞重量，kg；

v:无人机飞行速度；

cij:无人机从节点i到节点j的飞行成本；

tij:无人机从节点i到节点j的飞行时间，s；

Δt:无人机自动换电所消耗的时间，s；

σ:无人机锂电池满电能量，kwh；

α:无人机锂电池能量密度，kw/kg；

如果无人机k从节点i飞到节点j，那么 否则zi:如果无人机在节点i进行换电操作，那么zi＝1，否则zi＝0；

无人机k离开节点i的时间点；

Qi：无人机离开几点i的载重量；

无人机到达节点i的累计耗电量；

无人机离开节点i的累计耗电量；

2)确定无人机配送网络优化模型的目标函数：建模中无人机完成所有订单的时间总和最小，使得无人机在配送中能够均匀服务每一个顾客并且使得总体服务时间最小化，目标函数表达式如下：上述目标函数为最小化所有无人机完成订单的时间和，这样设计目标函数使得在求解时算法不会只专注于某一个订单；算法会在求解过程中均匀对待每一个需要配送的订单，使得总体配送时间最短；

3)确定无人机配送的约束条件：

首先是每个节点的流入流出约束，对于无人机初始位置节点i∈k'，这些节点中只会存在流出的弧，流出的节点只能是取货节点P或者终点S；除了无人机初始节点需要进行流约束，取货节点和配送节点及其终点都需要进行流约束，对于无人机最终汇总节点，这些节点只存在流入的弧；对于取货节点和送货节点而言，必须满足流平衡约束，即流入的弧等于流出的弧，且取货对应的取货节点需在送货节点之前被同一架无人机访问，由此在无人机配送网络中，一个顾客的订单是由同一架无人机服务的，并且满足先去取货再去送货；

4)无人机进行换电的约束过程：

首先对将无人机配送的时间和载重进行约束：无人机需在每个节点的时间窗范围中完成对当前节点的访问，并且当无人机需要在当前节点进行换电操作时，自动换电的时间均设定为Δt，Δt为一个常数；无人机配送的所有订单的完成时间均约束在承诺送达时间以内，此外对无人机在节点和节点之间配送的时间逻辑进行约束；除了时间约束之外，无人机在网络节点中需要不断地取货和送货，所以无人机在每一个节点都有对应的载重，在取货节点无人机载重会增加qi,i∈P，当无人机来到送货节点时，无人机载重会减少qi,i∈D；由此设定无人机最大起飞重量的条件，并对无人机在网络节点中的载重逻辑进行约束；

其后进行换电的约束：由于无人机到一个节点后需要考虑当前无人机剩余可用电量是否能满足无人机下一个路程的飞行，如果无人机下一个飞行路程所需要的电量大于当前可用电量，那么无人机就需要在该节点进行换电操作，此时就会出现节点电量突变的现象，对此换电约束的建模方式是：在每一个节点都由到达该节点的耗电量 和离开该节点的耗电量 表示，当无人机不需要在当前节点进行换电操作时， 当无人机需要在该节点进行换电操作时， 用 来对应当前节点之前的耗电量；每一个节点的访问时间都和某一架无人机进行一一匹配，通过约束变量 该变量 表示编号为k的无人机到达节点i的时间，其中节点为初始化位置节点、取货节点、送货节点和最终汇合节点中的任意一种；

步骤二、集合划分模型的建立

1)符号定义：

Cr:无人机配送路径r的对应配送成本；

Ω:无人机所有配送路径集合；

Ω'∈Ω:无人机配送路径子集合；

dij:节点i和节点j之间的飞行距离；

air:节点i是否被包含在无人机配送路径r中；

θr＝1:无人机配送路径r被选中；

bijr＝1:弧(i,j)∈A包含在无人机配送路径r中；

2)目标函数的确定

其中：Cr＝∑(i,j)∈Adijbijr；

公式(21)的目标函数为最小化所有无人机配送路径的成本；

3)约束条件的确定

无人机配送时，产生的配送路径必须满足完成订单的要求，也就是无人机可行的配送路径中必须包含订单的对应节点K'∪P，具体约束如下所示：表达式(22)表示每一个初始位置节点和取货节点必须被一条可行路径包含；

表达式(23)表示变量的类型；

4)构造算法获得无人机配送的初始可行路径列表在构造算法中，首先是初始化无人机的位置，每一架无人机都需要初始化其起飞起点；

当起飞起点完成初始化后，就需要根据设计的构造规则进行订单的分配，对应到网络节点中就是订单节点的逐一分配；在订单分配过程中，需要按照设计的构造规则进行分配，一旦违反设计规则，那么相对应的订单就不能插入到该无人机的配送序列中；当一架无人机完成分配后，再将剩余的订单逐一进行分配，直到所有的订单都完成分配；

符号定义：

V＝{K,P,D,S}:节点集合；

L:承诺送达时间；

R:无人机配送路径列表；

K＝{1,2,3,…,k}:无人机编号集合；

P＝{k+1,k+2,…,k+n}:无人机取货点集合；

D＝{k+n+1,k+n+2,…,k+2n}:无人机送货节点集合；

K'＝{1,2,3,…,k}:无人机初始位置节点集合；

S＝{k+2n+1}:无人机最终汇总节点集合；

N＝{K',P,D,S}:所有节点集合；

A＝{(i,j)|i∈N\{k+2n+1},j∈N\K',i≠j}:节点连接弧；

G＝(N,A):节点图；

[ai,bi]:节点i的服务时间窗；

dij:无人机从节点i到节点j的飞行距离；

tij:无人机从节点i到节点j的飞行时间，s；

Δt:无人机自动换电消耗的时间，s；

σ:无人机锂电池满电能量，kwh；

在构造算法中，输入的是节点集合V＝{K,P,D,S}，输出的是初始可行路径R；构造算法主要是在满足无人机容量约束、时间窗约束和电量约束的条件下获得无人机初始配送路径，其中设定无人机访问网络节点顺序为先取货物然后前往对应送货节点完成订单的送货，完成该订单后无人机才能进行下一个订单的配送；在插入订单过程中首先按照距离给无人机分配订单，此时按照下面公式分配最近的订单：无人机选择离它最近的订单进行插入，在订单插入中，按照订单对应取货节点和送货节点依次插入；插入时需要检查插入的订单是否满足无人机的时间窗：当插入的订单不能在约定的时间内送达时，该订单就不能插入该无人机的配送列表中，否则能够插入该无人机的配送列表中，订单插入后时间窗分为以下4种情况:①

②

③

④

在①的情况下，订单节点j满足时间窗的要求，并且将该订单插入后仍能在承诺送达时间L内完成订单的配送，此时将订单j插入到无人机k的配送列表中；

在②中，无人机由于剩余电量不足，所以在节点i进行换电，在无人机的配送时间中加上一个换电时间Δt；此时订单j插入后如果仍然满足时间窗的要求，那么就将订单j插入到无人机的配送列表中；

在③中，由于无人机在j节点剩余电量不足，所以在节点j进行换电，在无人机的配送时间中加上一个换电时间Δt；此时订单j插入后如果仍然满足时间窗的要求，那么就将订单j插入到无人机的配送列表中；

在④中，由于无人机在节点i和j剩余电量均不足，所以需要在节点i和j进行换电，此时需要在无人机的配送时间中加上一个2Δt的换电时间；但是此时订单j插入后如果满足时间窗的要求，那么就能将订单j插入到无人机的配送列表中；

当无人机遍历所有订单后，此时如果任何一个订单插入后都不能再满足时间窗的要求，那么该架次的无人机就完成了订单的分配，此时算法进行下一架无人机的订单分配，直到将所有订单均分配给无人机时算法结束，此时算法输出无人机的配送路径列表，该列表中包含每一架无人机配送信息；

步骤三、基于大邻域搜索的构造启发式算法对无人机配送的初始可行路径进行迭代优化在大邻域搜索的构造启发式算法中，先设计算法的移除因子和算法的插入因子；该启发式的算法流程是在步骤二获得的无人机配送的初始可行路径可行解的基础上，通过随机选择的方式来选择需要移除的订单，将选择的订单从原有配送路径中移除，然后在通过随机的方式将移除的订单随机插入到无人机的配送路径列表中，在插入过程中需要考虑时间窗的要求和电量约束，当插入的订单无法在承诺时间内送达，那么该订单就不能插入该位置，此时算法需要重新选择新的插入点，直到所有移除的订单均合理的被重新插入到无人机的配送路径列表中，此时算法完成依次迭代；通过不断迭代计算，完成迭代后算法会将迭代过程中的最优解输出，该最优解就是无人机最优配送路径；

符号定义：

R:初始无人机配送路径列表解；

n:订单数量；

L:承诺送达时间；

K:无人机数量；

R':当前无人机配送路径解；

R”:存储无人机配送路径解列表；

Rbest:当前最优配送路径解；

f(R'):当前配送路径对应目标值；

fbest:当前最优目标函数值；

P:次优解接受概率；

P1:随机概率；

q：移除因子；

L1:存储列表；

M:最大迭代次数；

其中接受次优解概率通过下面的公式进行计算：当出现次优解时，设计的启发式算法并不是全盘否定，而是采用一定的概率P来接受该次优解；其中随机概率P1通过随机方式产生，将随机产生的概率P1和接受概率P进行比较，当随机概率P1≥P时，算法就自动接受该次优解；当随机概率P1

移除因子q采用下面的公式进行获得：

插入规则采用下面的公式获得：

最后，设计算法迭代的终止条件，设置最大迭代次数为M。

2.如权利要求1所述的一种用于城市即时配送的无人机配送网络优化的求解算法，其特征在于步骤一的3)中，无人机配送的具体约束条件如下公式(2)‑公式(6)所示：表达式(2)表示每一个顾客的服务都有且只有一架无人机进行服务；

表达式(3)表示一组取货节点和送货节点必须由同一架无人机进行服务；

表达式(4)表示每一架无人机都只从一个初始位置节点出发；

表达式(5)表示对于取货节点和送货节点必须满足流平衡约束，即流入的弧等于流出的弧；

表达式(6)表示每一架无人机最后必须回到无人机最终汇总节点。

3.如权利要求1所述的一种用于城市即时配送的无人机配送网络优化的求解算法，其特征在于步骤一的4)中，进行换电的约束条件如下公式(7)‑公式(20)所示：表达式(7)表示网络节点上无人机k配送的前后的时间逻辑约束；

表达式(8)表示无人机网络节点上的载重逻辑约束；

表达式(9)表示无人机k必须先去节点i取货才能去对应节点n+i送货；

表达式(10)表示无人机到达网络节点的耗电量约束；

表达式(11)表示无人机换电后网络节点的耗电量约束；

表达式(12)表示无人机换电前后网络节点的耗电量约束；

表达式(13)表示无人机离开节点的耗电量和到达节点时的耗电量之间的关系；

表达式(14)表示无人机换电后对下一网络节点耗电量的约束；

表达式(15)表示对于所有无人机起始节点的耗电量约束；

表达式(16)表示无人机k访问节点i的时间窗约束；

表达式(17)表示无人机网络节点的载重约束；

表达式(18)表示对于无人机起始节点和终点的换电和载重约束；表达式(19)‑(20)表示变量的类型。